融合学科知识的数学习题知识点自动标注模型

习题知识点标注是构建结构化题库和实现个性化学习的关键任务。对于数学习题,由于其存在公式化、表达精炼化等特殊性,现有的标注模型无法很好地捕获关键信息,进而难以深入理解文本中蕴含的深层语义。此外,结合领域知识的知识点标注模型普遍存在引入的知识不够关键、融合的方式过于直接的问题,缺乏对信息的有效筛选,从而导致在特征融合时产生大量噪声,干扰模型最终的标注结果。为此,该文提出了一种融合学科知识的数学习题知识点自动标注模型MKA Gated。该模型首先利用预训练模型对原始习题和两种细化的学科知识文本进行初步的语义编码表示,然后利用注意力机制实现习题与两种学科知识的信息交互以获取两种学科知识的深层语义表征,最后通过门控机制连续地、隐式地融合两种深层语义表征的平均池化表示以保留原始习题表示中有利于最终分类的语义特征。模型在自建的初中数学习题知识点标注数据集上测试的三种指标micro-F_(1)、macro-F_(1)、weighted-F_(1)相较于基准模型分别提升了1.99%、2.99%、2.12%,实验结果表明,该文所提方法能有效提升数学习题知识点的标注。

基于依存结构学习的中学数学术语鲁棒抽取

中学数学术语抽取方法未考虑句子的依存结构信息,导致对句子的语义理解能力有限。此外,由于依赖依存结构信息的术语抽取方法存在分词或依存结构错误,导致术语抽取准确性和完整性不佳。为解决上述问题,该文提出一种基于依存结构学习的中学数学术语鲁棒抽取模型。模型利用预训练模型得到文本向量语义表示,并借助带有去噪注意力机制层的图神经网络和双向循环神经网络分别捕获文本的依存结构信息和上下文信息,进一步采用注意力机制融合文本结构信息和上下文信息以实现在融入依存结构信息的同时缓解错误分词或依存结构的影响。模型在自建的中学数学术语数据集上抽取精度P和F1值分别达到了83.82%、82.51%,相较于基准模型分别提升了2.21%、1.22%,表明该文所提方法能够鲁棒融合依存结构信息,从而提升中学数学术语抽取的精确性和完整性。

清洁油品升级背景下加氢脱硫技术研究进展

为满足"史上最严"的国Ⅵ汽油质量标准,发展"低硫、控烯、保辛烷值"的清洁汽油生产新技术成为当前研究热点。当前清洁汽油生产的主流技术是选择性催化加氢脱硫技术,本文首先从催化裂化(FCC)汽油中汽油辛烷值损失与汽油中不同碳数和结构烯烃加氢饱和规律的研究开始,详细分析了当前国Ⅵ升级背景下的加氢脱硫技术发展现状,特别针对提高加氢脱硫催化剂脱硫选择性及辛烷值恢复性能的研究进展进行了综述。基于现有的炼油发展现状及难题,建议了未来清洁油品的发展方向:秉承"分子炼油"理念,进一步完善分子层次的汽油组成认知,不断实现汽油组成中各类烃的精准分离和高效转化,可满足清洁油品的升级需求,还可应对未来油品结构调整。